r - n() 在 summarise_at() 中使用时行为不一致

Question

使用此示例数据:

library(tidyverse)

set.seed(123)
df <- data_frame(X1 = rep(LETTERS[1:4], 6),
                 X2 = sort(rep(1:6, 4)),
                 ref = sample(1:50, 24),
                 sampl1 = sample(1:50, 24),
                 var2 = sample(1:50, 24),
                 meas3 = sample(1:50, 24))

我可以使用 summarise_at()计算列子集中的值数:

df %>% summarise_at(vars(contains("2")), funs(sd_expr = n() ))

这不是很令人兴奋，因为它与行数相同。但是，它在具有嵌套列的表中很有用，其中每个单元格包含一个数据框，每个单元格中的行数不同。

例如，

df %>% 
  mutate_at(vars(-one_of(c("X1", "X2", "ref"))), funs(first = . - ref)) %>% 
  mutate_at(vars(contains("first")),  funs(second = . *2 )) %>%
  nest(-X1) %>%  
  mutate(mean = map(data, 
                  ~ summarise_at(.x, vars(contains("second")),
                                     funs(mean_second = mean(.) ))),
         n = map(data, 
                  ~ summarise_at(.x, vars(contains("second")),
                                     funs(n_second = n()  ))) ) %>%
  unnest(mean, n)

但是我得到了错误:

Error in mutate_impl(.data, dots) : Evaluation error: Can't create call to non-callable object.

为什么 mean()函数在此上下文中工作，n()才不是？

现在有几个解决方法可能是:

n = map(data, ~ summarise_at(.x, vars(contains("second")),    
                                 funs(n_second = length(unique(.))  )))

但这对于不同行上存在相同值的情况或替代方法并不稳健:

n = map(data, ~ nrow(.x)  )

但这不允许我构建更复杂的 summarise_at()功能，这是我真正的目标。最终我想做这样的事情来计算标准误差:

se = map(data, ~ summarise_at(.x, vars(contains("second")),
                                         funs(se_second = sd(.)/sqrt(n())  ))) 

为什么是 n()在这种情况下没有做我认为应该做的事情？

Answer 1

我相信 aosmith 的评论是正确的，这是这个问题的一个例子:

#2080: Using n() in nested mutate()/summarize() calls gives unexpected results

原因是因为 dplyr 的混合评估，其中它将某些 R 函数识别为它知道如何在 C++ 代码中处理的东西，并替换它们。在这种情况下，替换过于激进。特别是 mutate替换 n()数字为 4(因为嵌套后外部数据框中有 4 行，尽管嵌套的数据框本身各有 6 行)。您可以通过运行以下命令来查看:

library(tidyverse)

set.seed(123)
df <- data_frame(X1 = rep(LETTERS[1:4], 6),
                 X2 = sort(rep(1:6, 4)),
                 ref = sample(1:50, 24),
                 sampl1 = sample(1:50, 24),
                 var2 = sample(1:50, 24),
                 meas3 = sample(1:50, 24))

df1 <- df %>% 
  mutate_at(vars(-one_of(c("X1", "X2", "ref"))), funs(first = . - ref)) %>% 
  mutate_at(vars(contains("first")),  funs(second = . *2 )) %>% print %>% 
  nest(-X1)

debugonce(map)

df1 %>% mutate(n = map(data,
                       ~ summarize_at(.x,
                                      vars(contains("second")),
                                      funs(n_second = n()))))

在 dplyr 0.7.8 中，这会产生以下消息:

debugging in: map(data, ~summarize_at(.x, vars(contains("second")), funs(n_second = 4L)))

当然还有 funs(4)不会工作，因为 4不可调用，因此您会收到错误消息。

也许更有害的是，如果您尝试通过执行以下操作来修复它:

df1 %>% mutate(n = map(data,
                       ~ summarize_at(.x,
                                      vars(contains("second")),
                                      . %>% { n() }))) %>%
  unnest(n)

在 dplyr 0.7.8 中运行没有错误，但给出了错误的答案:计数为 4 而不是 6，因为它使用的是外部数据帧中的行数，而不是嵌套的行数。

幸运的是，由于此更改，所有这些都应在 dplyr 0.8.0 中修复:

#3526: hybrid all or nothing

随着这一变化，对 mutate 的调用不会取代 n() ，因为它不知道如何替换包含 n() 的完整表达式(正如我们所见，周围的表达式可以改变 n() 的含义)。

至于在以前版本的 dplyr 中工作的替代方案，在我看来，您感兴趣的计算可以通过使用 group_by 来实现而无需嵌套。 :

df %>% 
  mutate_at(vars(-one_of(c("X1", "X2", "ref"))), funs(first = . - ref)) %>% 
  mutate_at(vars(contains("first")),  funs(second = . *2 )) %>%
  group_by(X1) %>%  
  summarise_at(vars(contains("second")),
               funs(mean_second = mean(.),
                    n_second = n(),
                    se_second = sd(.)/sqrt(n()) ))